Data-Driven Load Prediction Models for Distribution Systems and Transformer Station Areas

إن الكهرباء التي تغذي منازلنا وشركاتنا ومدننا لا تتدفق في تيار ثابت ومستقر، بل ترتفع وتنخفض مع إيقاع الحياة البشرية، فتندفع عندما تفتح المصانع وتعود العائلات من أعمالها، وتخبو عندما ينام العالم. هذا التقلب المستمر يخلق عملية توازن دقيقة للمهندسين الذين يديرون شبكة الطاقة؛ فإذا لم يتمكنوا من التنبؤ بدقة بكمية الطاقة المطلوبة في أي لحظة، فإن النظام يخاطر بعدم الاستقرار، مما يؤدي إلى انقطاعات في التيار أو هدر في الموارد. ويشتد هذا التحدي بشكل خاص على المستوى المحلي، حيث تعمل أنظمة التوزيع ومحطات المحولات كحراس بوابة نهائيين، تقوم بخفض الجهد العالي للاستخدام المحلي. يجب على هذه المحطات التعامل مع الحمل دون ارتفاع في درجة حرارتها أو تعطلها، وهي مهمة تزداد صعوبة بسبب حقيقة أن الطلب على الكهرباء يتأثر بمزيج معقد من الوقت، والطقس، والتخطيط الفيزيائي لخطوط الطاقة نفسها. لعقود من الزمن، اعتمدت شركات المرافق على الأساليب الإحصائية لتخمين هذه الأنماط، ولكن مع تحول الشبكة لتصبح أكثر ذكاءً وتعقيداً، غالباً ما تجد تلك الأدوات القديمة صعوبة في مواكبة التغيرات السريعة وغير الخطية في كيفية استخدامنا للطاقة.

في دراسة جديدة، طور باحثون من جامعة شانشي داتونغ وشركة ستيت جريد هونان للكهرباء طريقة أكثر تطوراً لاستشراف مستقبل الطلب على الكهرباء. فقد بنوا نموذج تنبؤ هجين يعمل كنظام "ثنائي الدماغ"، يجمع بين نوعين مختلفين من التعلم الحاسوبي المتقدم للتنبؤ بالحمل بدقة غير مسبوقة. وبدلاً من الاعتماد على طريقة واحدة، يستخدم نهجهم أولاً تقنية تعلم عميق مصممة لفهم تدفق الوقت، حيث تدرك كيف تؤثر حالة الطقس بالأمس وأنماط الاستخدام في الأسبوع الماضي على احتياجات اليوم. ثم ينقل هذا الفهم إلى خوارزمية ثانية قوية تشتهر برصد العلاقات المعقدة وغير الخطية في البيانات. ولإنجاح ذلك، غذّى الفريق النظام بكمية هائلة من المعلومات الواقعية، بما في ذلك استهلاك الكهرباء التاريخي، وسجلات الطقس التفصيلية مثل درجة الحرارة والرطوبة، والخصائص الكهربائية المحددة لشبكة الطاقة نفسها. وقبل أن يتمكن الحاسوب من التعلم من هذه البيانات، قام الباحثون بتنظيفها بدقة، عبر ملء الفجوات المفقودة، وتنعيم الضوضاء العشوائية، وإزالة القيم المتطرفة التي قد تحرف النتائج. ثم استخدموا تقنيات رياضية لتجريد المعلومات الزائدة، لضمان تركيز النموذج فقط على الإشارات الأكثر أهمية.

اختبر الباحثون نظامهم الجديد مقابل الأساليب التقليدية الأقدم، مثل نماذج "الغابة العشوائية" (Random Forest) و"آلات ناقل الدعم" (Support Vector Machine)، وهي أدوات شائعة في هذا القطاع. وكانت النتائج واضحة: تفوق النموذج الهجين الجديد على المنافسين في كل فئة رئيسية. فعند قياس متوسط الخطأ بين الحمل المتوقع والحمل الفعلي، كان النموذج الجديد أكثر دقة بشكل ملحوظ، حيث بلغ متوسط الخطأ المطلق 0.0210 فقط، مقارنة بأخطاء أعلى في النماذج الأخرى. كما حقق معامل تحديد (Coefficient of Determination) - وهو مقياس لمدى ملاءمة التنبؤات للبيانات الحقيقية - قدره 0.9623، مما يشير إلى أنه استوعب ما يقرب من 96 بالمائة من التباينات في الطلب على الكهرباء. وأظهرت الدراسة أن هذه الدقة لم تكن مجرد صدفة؛ فعندما قام الباحثون بإزالة أجزاء من نظامهم واحداً تلو الآخر، انخفض الأداء، مما أثبت أن كل مكون - من التعلم القائم على الوقت إلى تحليل الطقس - كان ضرورياً. علاوة على ذلك، نجح النموذج في تحديد محطات محولات معينة كانت تحت ضغط شديد، مما سلط الضوء على نقاط في الشبكة تحمل أحمالاً أعلى بكثير من المتوسط، مثل بعض المحطات التي تتعامل مع حوالي 4,050 ميجاواط بينما لا تسجل محطات أخرى سوى استخدام ضئيل.

كان أحد الابتكارات الرئيسية في هذا العمل هو استخدام تقنية تحسين متخصصة لضبط إعدادات النموذج. فكر في هذه العملية مثل عازف موسيقى يضبط شداً وتر الغيتار؛ إذا كان الشد مرتخياً جداً أو مشدوداً جداً، فسيكون النغم خاطئاً، ولكن مع الضبط الصحيح، يصبح الصوت مثالياً. استخدم الباحثون خوارزمية مستوحاة من الطريقة التي يرتجل بها الموسيقيون لإيجاد المزيج الدقيق من الإعدادات التي تجعل النموذج "يغني". ضمنت هذه الخطوة أن يتقارب النظام نحو أفضل إجابة ممكنة بسرعة وموثوقية. كما أظهرت الدراسة أن مجرد امتلاك المزيد من البيانات لم يكن كافياً؛ بل إن طريقة هيكلة البيانات كانت هي الأهم. فمن خلال تنظيم المعلومات في "نوافذ زمنية منزلقة"، استطاع النموذج تعلم إيقاع اليوم والأسبوع، مدركاً أن صباح يوم الثلاثاء يختلف عن مساء يوم السبت، وأن يوماً حاراً في الصيف يدفع الطلب بشكل مختلف عن يوم ربيعي معتدل. إن القدرة على دمج بيانات الطقس والطوبولوجيا الفيزيائية لشبكة الطاقة في إطار تنبؤ واحد سمحت للنموذج برؤية روابط فاتتها النماذج الأبسط.

تتجاوز تداعيات هذا العمل مجرد الحصول على أرقام أفضل في الرسوم البيانية. فبالنسبة لمشغلي المرافق، فإن امتلاك أداة يمكنها التنبؤ بالحمل بدقة وتحديد المحطات المثقلة يعني أنه يمكنهم اتخاذ قرارات أفضل بشأن الصيانة وتخصيص الموارد قبل وقوع المشكلة. إن قدرة النموذج على تحديد محطات محولات معينة تقترب من حدود طاقتها توفر مساراً واضحاً لمنع انقطاع التيار وإطالة عمر البنية التحتية الحيوية. وبينما يشير الباحثون إلى أن عملهم الحالي يركز على التنبؤات قصيرة المدى ولا يتضمن بعد تحليل الأعطال في الوقت الفعلي أو التعلم التكيفي الذي يتغير مع تطور الشبكة، إلا أن الأساس الذي بنوه متين. ويقترحون أن النسخ المستقبلية يمكن أن تدمج هياكل شبكية أكثر تقدماً وتتعامل مع عدم اليقين الناتج عن مصادر الطاقة المتجددة. ومع ذلك، في الوقت الحالي، تقف هذه الدراسة كخطوة كبيرة للأمام في جعل شبكة الطاقة أكثر موثوقية، مثبتة أنه من خلال الجمع بين أنواع مختلفة من التعلم الذكي وتنظيف البيانات بعناية، يمكننا فهم وإدارة التيارات غير المرئية التي تغذي عالمنا الحديث بشكل أفضل.